national aeronautics and space administration · sequías agrícolas y asegurar la seguridad...

National Aeronautics and Space Administration

Erika Podest y Amita Mehta

21 de abril de 2020

Humedad del Suelo para Aplicaciones Agrícolas

NASA’s Applied Remote Sensing Training Program 2

Esquema de la Capacitación

Panorama de la

Teledetección AgrícolaHumedad del Suelo para

Aplicaciones Agrícolas

Observaciones de la

Tierra para el Monitoreo

Agrícola

14 de abril de 2020 21 de abril de 2020 28 de abril de 2020 5 de mayo de 2020

Evapotranspiración y el

Índice de Estrés Evaporativo

para Aplicaciones Agrícolas

https://earthobservatory.nasa.gov/im

ages/90095/satellites-eye-winter-

cover-crops

https://earthobservatory.nasa.gov/im

ages/42428/water-use-on-idahos-

snake-river-plain

https://earthobservatory.nasa.gov/i

mages/87036/soil-moisture-in-the-

united-states

https://eospso.nasa.gov/content/nasas-

earth-observing-system-project-science-

office

https://earthobservatory.nasa.gov/images/90095/satellites-eye-winter-cover-crops

https://earthobservatory.nasa.gov/images/42428/water-use-on-idahos-snake-river-plain

https://earthobservatory.nasa.gov/images/87036/soil-moisture-in-the-united-states

https://eospso.nasa.gov/content/nasas-earth-observing-system-project-science-office


Formato de la Capacitación, Tarea y Certificado

• Cuatro sesiones de una y hora y media cada una seguidas por una sesión de

preguntas y respuestas

• Se asignarán tareas después de las sesiones 1 y 3, las cuales estarán disponibles en

la página: https://arset.gsfc.nasa.gov/water/webinars/remote-sensing-for-

agriculture-20

– Debe enviar sus respuestas vía Google Form

– Plazo para las tareas: el 28 de abril y el 12 de mayo

• Se otorgará un Certificado de Finalización a quienes:

– Asistan a todas las sesiones en vivo

– Completen ambas tareas asignadas

• Recibirá su certificado aproximadamente dos meses después de la conclusión del

curso de: [email protected]

https://arset.gsfc.nasa.gov/water/webinars/remote-sensing-for-agriculture-20

http://[email protected]



Esquema:

• Soil Moisture Active Passive (SMAP)

– Panorama de SMAP

– Ejemplos de SMAP para aplicaciones agrícolas

– Productos y acceso a datos de SMAP

• Land Data Assimilation Systems (LDAS)

– Panorama de LDAS

– Ejemplos de LDAS para aplicaciones agrícolas

– Acceso a datos de LDAS

– Demostración de acceso a datos de GLDAS y análisis de la humedad del suelo


Amita Mehta y Erika Podest

21 de abril de 2020


La Misión Satelital Soil Moisture Active Passive (SMAP)


1. Panorama de SMAP

2. Ejemplos de SMAP para Aplicaciones Agrícolas

3. Productos de SMAP

4. Acceso a Datos SMAP

Esquema

Panorama de SMAP*

*SMAP: Soil Moisture Active Passive- Activo-Pasivo para la Detección de la Humedad del Suelo en inglés


Lazado el 31 de enero de 2015

Radiómetro

• Frecuencia: 1,41 GHz

• Polarización: H, V, 3er y 4to Stokes

• Resolución: 40km

• Precisión Relativa: 1,3K

Antena

• 6m de diámetro

• Escaneo cónico a 14,6 r.p.m.

• Ángulo de Incidencia Constante: 40º

• Franja de barrido: 1000km de ancho

• La franja y la órbita permiten una

cobertura global cada 2 o 3 días

Panorama de SMAP

Órbita: Heliosíncrona, 6 am/pm, altitud

de 685 km


Mediciones de la Humedad del Suelo con SMAP

• Alcance: Global

• Resolución Espacial: 9 y 36 km

• Repetición Temporal: Cada 3 días

• Profundidad de Detección: 5 cm

• Medida: Humedad del Suelo Volumétrica

• Exactitud: 0,04 [cm3/cm3]

• Política de Acceso a Datos: Gratuito


Justificación para Hacer Observaciones Cada 3 Días

• Es necesario hacer

observaciones cada 3 días

o menos para determinar la

variabilidad de la humedad

del suelo de manera óptima.


Factores que Influyen en la Humedad del Suelo

Lluvia Textura del Suelo Vegetación Topografía

La Humedad del Suelo varía con el tiempo y el espacio.

Los principales factores que influyen en la distribución de la humedad del suelo son:


SMAP utiliza sensores activos y pasivos para medir la humedad del suelo.

Teledetección Pasiva y Activa

Sensores Pasivos:

Sensores Pasivos:

La fuente de energía radiante

surge de fuentes naturales…

el Sol, la Tierra, otros cuerpos “calientes”

Proporcionan su propia fuente de energía

radiante para iluminación… RADAR, Radar

de Apertura Sintética (SAR), LIDAR


Teledetección por Microondas

• Con sensores visibles e infrarrojos el suelo queda oculto bajo las nubes y vegetación. Los sensores ópticos funcionan midiendo la luz solar dispersada y son de uso diurno solamente.

• Las microondas pueden penetrar a través de las nubes y la vegetación, funcionan de día y de noche y son altamente sensitivas al agua en el suelo debido a los cambios en las propiedades dieléctricas del suelo a nivel de microondas.


Método de Medición

• Contribuciones del:

– Suelo

– Vegetación

– Interacción suelo-vegetación

• Las mediciones de la humedad

del suelo se corrigen para eliminar

los efectos de la vegetación,

rugosidad de la superficie y

temperatura

Emisión Retrodispersión


Los datos auxiliares se utilizan para estimar los parámetros desconocidos clave:

temperatura superficial (≈ temperatura del aire en la superficie a las 6 am),

opacidad de la vegetación, rugosidad de la superficie y textura del suelo.

Fuentes de Datos Auxiliares

Parámetro Descripción/Fuentes

Meteorología del aire superficial

- Asimilación de Datos (GEOS/DAO) - Modelos de pronósticos (NCEP y ECMWF)

Opacidad de la vegetación

- NDVI Vis/IR por satélite, LAI, cobertura terrestre (MODIS, IGBP-DIS)

- Fenología histórica (AVHRR)

Topografía superficial

- Modelos de elevación digitales (USGS y SRTM)

Textura del suelo

- Bases de datos del suelo (Global, NGDC; US, STATSGO)

Límites terrestres/ acuáticos

- Límites costeros y masas de agua interiores (NGDC)


• SMAP – Banda-L, 40 km, observaciones cada 3 días

– https://nsidc.org/data/smap/smap-data.html

• SMOS – Banda-L, 40 km, observaciones cada 3 días

– https://earth.esa.int/web/guest/missions/esa-operational-eo-

missions/smos/news/-/article/smos-level-2-soil-moisture-data-now-available-

via-eumetcast-in-near-real-time

• ASCAT – Banda-C, 12,5 y 25 km, observaciones diarias

Productos de la Humedad del Suelo de Diferentes Satélites

https://nsidc.org/data/smap/smap-data.html

https://earth.esa.int/web/guest/missions/esa-operational-eo-missions/smos/news/-/article/smos-level-2-soil-moisture-data-now-available-via-eumetcast-in-near-real-time

SMAP para Aplicaciones Agrícolas


Monitoreo Agrícola Mejorado mediante la Integración de la Humedad

del Suelo de SMAP al Sistema de Pronósticos de Cultivos USDA-FAS

Fuente: Iliana E.

Mladenova, John D.

Bolten, y Nazmus

Sazib, Hydrological

Sciences Lab , NASA

GSFC

El Sistema Global de Apoyo de Decisiones de Cultivos USDA-FAS ha sido

mejorado por la integración de observaciones de la humedad del suelo

de NASA SMAP. Los esfuerzos tienen como resultado la generación de

mejor información sobre la humedad del suelo, la cual es esencial para las actividades de pronóstico de cultivos de esa agencia.

Sequía Severa en el Cabo Occidental Reduce el Rendimiento de Trigo de Sudáfrica de 2017/18


SMAP para Aplicaciones de Rendimiento de Cultivos y Seguridad Alimentaria

Rendimiento de Maíz con Estimación Mejorada y Pronóstico Óptimo

basado en el uso de estimaciones de la humedad del suelo similares a SMAP

Ines, Das et al., 2013. Assimilation of Remotely Sensed Soil Moisture and Vegetation with a Crop Simulation Model for Maize Yield Prediction. RSE-D-12-00872R2: Remote Sensing of Environment.

El agua es el vínculo definitivo entre elclima y la agricultura. Para mejorar lossistemas de apoyo de decisiones parasequías agrícolas y asegurar laseguridad alimentaria, es crítico tenerinformación de la Humedad delSuelo/Agua de mejor calidad y que estase use mejor.

Esta información aumentará el tiempode anticipación y la habilidad de lospronósticos de rendimiento de cultivos.

Planteamiento de un Problema: El mundo enfrenta una lucha cuesta arriba para

alimentar a aproximadamente nueve a diez mil millones de personas para el 2050.

Crop Modeling and Data

Assimilation Framework

for Yield Estimation and

Forecast

Climate SMART

Seasonal

Climate

Forecast

Agriculture SMART

Soil Moisture

Measurements

Vegetation Attribute

Measurements

Wate

r S

MA

RT

NA

SA

Sa

tell

ite

Ob

serv

ati

on

s

Rainfall observations

SMAP

GPM

MODIS

Cortesía de Narendra Das- JPL


Modelado del Rendimiento de Cultivos

Los modelos agrícolas han sido desarrollados para pronosticar el rendimiento de varios cultivos en escalas de campos individuales hasta regional. Una entrada clave de los modelos agrícolas es la humedad del suelo. El diagrama conceptual relaciona la variación regional en la humedad del suelo promediada para el dominio con la variación en el rendimiento total de cultivos. Los análisis estadísticos darían lugar al desarrollo de distribuciones de probabilidad de rendimiento de cultivo como una transformación de la distribución de probabilidad de la humedad del suelo promediada para el dominio al inicio de la temporada de crecimiento.


UCLA y TWDB, Rong Fu, Neelan Fernando

Alerta Temprana de Sequía/Inundación Mejorada

Pronóstico Utilizando

Humedad del Suelo Estimada

Pronóstico Utilizando

Humedad del Suelo de SMAP

Anomalías de Lluvias

Observadas

Pronóstico de Anomalías de Lluvias Estivales en 2015

Productos de SMAP


SMAP- Productos de Datos


Producto de la Humedad del Suelo Nivel 3 de Radiómetro de 36 km

Humedad del Suelo Volumétrica (cm3/cm3)


Humedad del Suelo SMAP – Producto Mejorado


Producto Activo-Pasivo Usando Sentinel-1 Mejorado con SMAP

Fuente: Narendra Das


Humedad del Suelo Superficial y en la Zona de Raíces- Nivel 4

Humedad del suelo en la zona de raíces [m3 m-3] 26 abr 2015 00:00 UTC


Mapa de Recuperaciones de la Humedad del Suelo

Máscara recuperable (píxeles negros) con las siguientes especificaciones:

a) Fracción Urbana < 1

b) Fracción Acuática < 0,5

c) Desviación del Estándar de Pendiente de MED < 5 grados


Exactitud Anticipada de la Humedad del Suelo

Máscara de calidad anticipada de recuperaciones (píxeles negros indican

buena calidad) con las siguientes especificaciones:

a) Contenido húmedo de la vegetación ≤ 5 kg/m2; b) Fracción urbana ≤ 0,25

c) Fracción acuática ≤ 0,1; d) Desviación del Estándar de Pendiente de MED ≤ 3 deg


Animación de la Humedad del Suelo Global

SMAP: Humedad del Suelo + Salinidad Superficial Marina

Acceso a Datos de SMAP


Diseño de Productos de Datos

• Todos los productos están en formato HDF5

– Cada archivo SMAP HDF5 contiene los parámetros de datos principales (p.ej., humedad del suelo, hielo/deshielo, datos de sensores) y todos los datos utilizados en la producción de esos parámetros. Estos archivos también incluyen metadatos, información de geolocalización, etiquetas de calidad etc.

• Proyección: EASE-Grid 2.0

– Proyección de áreas iguales

– Los niveles 2, 3, 4 y radiómetro N1C están en esta proyección

• Valores

– Datos de radiómetros (temperatura de luminosidad) están en Kelvin

– Datos radar están en ∑0– Humedad del suelo es una medida volumétrica expresada como cm3/cm3

– Hielo/deshielo es una medida binaria, o helado o no helado

– Intercambio ecosistémico neto está en gramos de carbono por metro cuadrado por día


Acceso a Datos SMAP: NSIDC

http://nsidc.org/data/smap/

http://nsidc.org/data/smap/


Acceso a Datos: Earth Data Search

Earthdata Search: https://search.earthdata.nasa.gov/

• Permite buscar y ordenar todos los datos de SMAP• Búsqueda por palabra clave, espacial y/o temporal• Servicios de reformateo, reproyección y formación de

subconjuntos para la mayoría de los productos

https://search.earthdata.nasa.gov/


Erika Podest y Amita Mehta

21 de abril de 2020



Sistemas de Asimilación de Datos del Suelo para la Humedad

del Suelo

Esquema:

• Resumen general de los Land Data Assimilation Systems* (LDAS)

• Ejemplos de aplicaciones agrícolas de LDAS

• Acceso a datos de LDAS

• Demostración de acceso a datos GLDAS y análisis de la humedad del suelo

* Sistemas de Asimilación de Datos del Suelo

Resumen General de los Sistemas de Asimilación de Datos

Terrestres (LDAS)


Necesidad de LDAS para la Gestión del Suelo y del Agua

Una caracterización correcta de las variaciones

espaciales y temporales en los estados del agua

y de la energía (p.ej. humedad del suelo y temperatura) y sus flujos (p.ej. evaporación y

escorrentía) es crítica para muchas

aplicaciones:

• Pronósticos meteorológicos

• Pronósticos agrícolas

• Evaluación del riesgo de sequía e inundación

• Mejorar el entendimiento de las interacciones

tierra-atmósfera

• Impactos del cambio climático

• https://ldas.gsfc.nasa.gov/

Fuente: NASA LDAS

https://ldas.gsfc.nasa.gov/

https://ldas.gsfc.nasa.gov/ldas/land-data-assimilation-system


Necesidad de LDAS para la Gestión del Suelo y del Agua

• Hay varias observaciones terrestres y espaciales

del suelo y de la hidrología disponibles, pero

tienen lagunas espaciales y temporales.

• LDAS integran observaciones en la superficie

y por teledetección, brindando información

frecuente de los componentes del balance

hídrico y energético en una cuadrícula

uniforme.

• LDAS informan cantidades que los satélites

no observan directamente (p. ej. escorrentía,

evapotranspiración, equivalente en agua de

la nieve).

• https://ldas.gsfc.nasa.gov/

https://www.geo.tuwien.ac.at/insitu/data_viewer/

Observaciones de la Humedad

del Suelo en la Superficie


https://www.geo.tuwien.ac.at/insitu/data_viewer/

NASA’s Applied Remote Sensing Training Program 6Fuente: Matthew Rodell, NASA-GSFC. Correo: [email protected]

Sistema de ecuaciones físicas:

Ecuación de Conservación de Energía Superficial

Ecuación de Conservación de Aguas SuperficialesFlujo de Agua en Suelos: Ecuación Richards

Evaporación: Ecuación Penman-Monteith

etc.

BARE SOIL: 15%

10%

GRASSLAND:

50%

SHRUBS:

NEEDLELEAF

TREES: 25%

CUADRÍCULA

HETEROGENEIDAD

SUB-

CUADRICULAR

VEGETACIÓN

SUPERFICIAL

ATMÓSFERA

ESQUEMA DE

TRANSFERANCIA

Los LSMs resuelven la interacción, el

momento y la masa entre la superficie y la atmósfera en cada elemento del

modelo(celda cuadricular) a cada paso

temporal discreto (~15 min)

Estructura de los Modelos de la Superficie Terrestre (Land

Surface Models o LSM)

Campos de Forzamiento Requeridos:

velocidad del viento cerca de la superficie (U y V)

radiación descendente de onda corta

radiación descendente de onda larga

humedad específica cerca de la superficie

temperatura del aire cerca de la superficie

presión en la superficie

precipitación

Resumen de Campos de Salida:

hum. del suelo en múltiples capas

flujos de calor latente, sensible y del suelo

radiación neta onda corta y onda larga

escorrentía superficial y subsuperficial

temperatura del suelo en cada capa

equivalente en agua de la nieve

lluvia y nieve

evaporación

transpiración

deshielo

Parámetros de Entrada:

verdor de la vegetación/LAI

clase de vegetación

tipo de suelo

elevación

0-10cm

10-40 cm

40-100 cm

Humedad del Suelo

Campos de Entrada y de Salida de los LSMs

Fuente: Matthew Rodell, NASA-GSFC. Correo: [email protected]


LDAS Globales y Regionales

GLDAS: Global Land Data Assimilation System

NLDAS: North American Land Data Assimilation System

FLDAS: Famine Early Warning Systems Network* (FEWS NET) Land Data Assimilation System

NCA-LDAS: The National Climate Assessment** - Land Data Assimilation System

*Red de sistemas de alerta temprana de hambruna

** Evaluación Climática Nacional

https://ldas.gsfc.nasa.gov/gldas

https://ldas.gsfc.nasa.gov/nldas

https://ldas.gsfc.nasa.gov/fldas

https://ldas.gsfc.nasa.gov/nca-ldas


LDAS Globales y Regionales

GLDAS: Global Land Data Assimilation System

NLDAS: North American Land Data Assimilation System

FLDAS: Famine Early Warning Systems Network* (FEWS NET) Land Data Assimilation System

NCA-LDAS: The National Climate Assessment** - Land Data Assimilation System

*Red de sistemas de alerta temprana de hambruna

** Evaluación Climática Nacional

https://ldas.gsfc.nasa.gov/gldas

https://ldas.gsfc.nasa.gov/nldas


GLDAS y NLDAS

Modelo LSMsInformación

Temporal

Resolución

Espacial

NLDAS

Noah2.8, Mosaic, 1VIC4.0.3,

2SAC-Snow-17

Cada hora,

mensual

1979- Hoy

(latencia de 4 días)

0,125° x 0,125°

GLDAS V2.0Noah3.3,

Catchment-F2.5

3 Horas, Diaria,

Mensual

1948-2014

0,25° x 0,25°

1,0° x 1,0°

GLDAS V2.1 Noah3.3

3 Horas, Mensual

2000-Hoy

(latencia de 1 a 2 meses)

0,25° x 0,25°

1,0° x 1,0°

Rodell, et al., 2004: The Global Land Data Assimilation System, Bull. Amer. Meteor. Soc., 85(3), 381-394.Xia, Y., et al., 2012: Continental‐scale water and energy flux analysis and validation for the North American Land Data Assimilation System

project phase 2 (NLDAS‐2): 1. Intercomparison and application of model products, J. Geophys. Res., 117, D03109, doi:10.1029/2011JD016048.

1Variable Infiltration Capacity 2Sacramento Snow Model 3Community Land Model (CLM)

https://doi.org/10.1029/2011JD016048


GLDAS 2.1

Precipitación:

Global Precipitation Climatology Project

(basado en datos de múltiples satélites y

pluviómetros)

Datos Meteorológicos: 1NCEP Global Data Assimilation System

Radiación Superficial:

Agencia Meteorológica de la Fuerza Aérea


NLDAS

Precipitación:

Climate Prediction Center Gauge Data,

Stage II Doppler Radar, 2CMORPH, 3NARR

Datos Meteorológicos y Radiación Superficial: NARR

1National Center for Environmental Prediction2CPC Morphing Technique3NCEP North American Regional Reanalysis

Entradas de GLDAS 2.1 y NLDAS



Land Information System* (LIS)

https://lis.gsfc.nasa.gov/

• El sistema Land

Information System (LIS)

es el marco de software

que se utiliza para LDAS.

• LIS permite la asimilación de datos del suelo personalizados a ser construidos, ensamblados y reconfigurados fácilmente utilizando plugins compartidos e interfaces estándar.

*Sistema de información de la tierra

https://lis.gsfc.nasa.gov/

Ejemplos de LDAS para Aplicaciones Agrícolas


• FLDAS produce estimaciones globales de la humedad del suelo con una resolución de 10 km (1982-hoy), se actualiza dos veces al mes

• FEWS NET, establecido por 1USAID como proveedor principal de alerta temprana y análisis basados en datos empíricos sobre la seguridad alimentaria

• Utiliza un LIS personalizado para aprovechar de modelos de la superficie de la tierra existentes y generar ensambles de humedad del suelo, ET y otras variables en base a múltiples entradas meteorológicas y o modelos de la superficie de la tierra

• https://lis.gsfc.nasa.gov/projects/fewsnet

https://agni.geog.umd.edu/project/famine-early-warning-

system-network-fews-net-land-data-assimilation-system-ldas

1United States Agency for International Development

Alerta Temprana de Hambruna

https://lis.gsfc.nasa.gov/projects/fewsnet

https://agni.geog.umd.edu/project/famine-early-warning-system-network-fews-net-land-data-assimilation-system-ldas


• El Departamento de Agricultura de

EE.UU. (United States Department of

Agriculture o USDA) utiliza humedad del

suelo de SMAP para modelar

pronósticos de cultivos a nivel mundial

• https://ipad.fas.usda.gov/cropexplorer/

https://www.nasa.gov/feature/2018/goddard/ne

w-nasa-soil-moisture-data-spots-droughts-floods

Pronósticos de Cultivos

https://ipad.fas.usda.gov/cropexplorer/

https://www.nasa.gov/feature/2018/goddard/new-nasa-soil-moisture-data-spots-droughts-floods


• El monitor de sequías experimental de

NLDAS se deriva de la salida de

humedad del suelo en tiempo casi real

de los modelos de la superficie de la

tierra NASA MOSAIC y NCEP Noah.

• Las anomalías de humedad del suelo y

los percentiles se derivan en base a una

climatología de 28 años (1980-2007).

• https://www.emc.ncep.noaa.gov/mmb/

nldas/drought/

NLDAS Drought Monitor*

*Monitor de sequías

https://www.emc.ncep.noaa.gov/mmb/nldas/drought/


• Un proyecto regional financiado por el Fondo para el Medio Ambiente Mundial (en inglés, Global Environment Facility o GEF) y gestionado por el Banco Mundial con el apoyo de USAID y la NASA

• Utilizando la teledetección y LDAS, se deriva un indicador compuesto de sequía (Composite Drought Indicator o CDI) para monitorear condiciones de sequía relacionadas con la agricultura en todo Marruecos.

• https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/20180001760.pdf

Índice Compuesto de Sequía: Marruecos

Bijaber et al, 2018: Developing a Remotely Sensed Drought Monitoring

Indicator for Morocco, Geosciences, 8(2), 55,

https://doi.org/10.3390/geosciences8020055

Proyecto LDAS-Marruecos

https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/20180001760.pdf

https://doi.org/10.3390/geosciences8020055

Acceso a Datos de LDAS


Acceso a Datos GLDAS y NLDAS Usando Giovanni

https://giovanni.gsfc.nasa.gov/giovanni/



Acceso a Datos GLDAS y NLDAS Usando GES DISC

https://disc.gsfc.nasa.gov/

Goddard Earth Sciences Data and Information Services Center (GES DISC)

https://disc.gsfc.nasa.gov/


Demostración

Acceso y Análisis de Datos de la Humedad del Suelo


¡Gracias!


April 28, 2020

La Próxima Semana: Observaciones de la Tierra para el

Monitoreo Agrícola


Sesión de Preguntas y Respuestas

• Por favor envíe sus preguntas en la casilla para preguntas y respuestas (Q&A).

• Publicaremos las preguntas y respuestas en la página web de la capacitación

después de la conclusión del curso:



national aeronautics and space administration · sequías agrícolas y asegurar la seguridad...

Documents